[general_dat] Invitación a cursar la materia Aprendizaje Automático

[Pablo Brusco]

Hola,

Este cuatrimestre dictaremos, junto a Gastón Bujía y Cecilia Bolaños, la
materia optativa "Aprendizaje Automático" y los invitamos a cursarla.

La materia da 3 puntos de optativa para licenciatura en computación (plan
93) o equivalentemente 80 créditos (plan 2023), 5 puntos para doctorado en
computación y 128 horas para la carrera de ciencia de datos.

El Aprendizaje Automático (o Machine Learning en inglés) se ha convertido
en una herramienta fundamental en el campo de la computación y la ciencia
de datos, permitiendo a los profesionales desarrollar modelos predictivos y
analíticos a partir de datos.

Esta materia proporcionará una base sólida en los principios y técnicas del
aprendizaje automático, así como también oportunidades para aplicar estos
conocimientos en proyectos prácticos. La materia se focaliza en entender
los métodos en profundidad poniendo especial atención en las decisiones de
diseño de cada una de las técnicas y su relación con las hipótesis que se
tengan sobre los datos, así también como buenas prácticas.

Detalles del curso:

   -

   Días y horarios: Martes y Jueves de 17:00 a 21:00.
*100% presencial. *
   -

   Primera clase: 13 de Agosto (ver
   https://exactas.uba.ar/calendario-academico/)
   -

   Carga horaria: 8 horas semanales. 16 semanas. Clases teórico/prácticas.
   -

   Carga horaria estimada fuera del horario: de 6 horas semanales en
   promedio.
   -

   Evaluación: 2 parciales + 2 trabajos prácticos grupales + cuestionarios
   obligatorios (tarea semanal que consiste en implementación de notebooks y
   secciones de libros y papers obligatorios).
   -

   Correlativas obligatorias para alumnos de licenciatura *(sin
   excepciones). *Prácticos aprobados de:
   -

      *Métodos numéricos + Algoritmos III* (*TDA*) (para lic. computación)
      -

      *Introducción a la estadística + Algoritmos III* (para lic. datos).
      -

      “Yo tengo una de las dos y la otra la estoy cursando, ¿podría
      cursar?” No, pero buenas noticias,  la vamos a dar el cuatri que
      viene también así que no hay problema porque tenés este cuatrimestre para
      aprobarlas!


Contenidos:


   -

   Aprendizaje de conceptos.
   -

   Evaluación y selección de modelos.
   -

   Sesgo y Varianza.
   -

   Clasificadores: Árboles de decisión, KNN, Naive Bayes, LDA, SVM,
   regresión logística.
   -

   Regresión: KNN, árboles, regresión lineal (visión con descenso por el
   gradiente)
   -

   Ensambles: Bagging, Random Forest, Boosting.
   -

   Redes neuronales clásicas, profundas, recurrentes, mecanismos de
   atención.
   -

   Clustering: K-Means, GMM, algoritmo EM, clustering jerárquico
   aglomerativo, DSCAN.
   -

   Evaluación de clasificadores probabilísticos.
   -

   Ingeniería de atributos.


Extracto de la Bibliografía

   -

   Mitchell, "Machine Learning", McGraw-Hill, 1997.
   -

   James, G., Witten, D., Hastie, T., Tibshirani, R., & Taylor, J. “An
   introduction to statistical learning: With applications in python”.
   Springer Nature. 2023
   -

   Hastie, Tibshirani & Friedman, "The Elements of Statistical Learning",
   2nd ed, Springer, 2009.
   -

   LeCun, Y., Bengio, Y.,  Hinton, G. . “Deep learning. Nature”, 2015
   -

   Müller & Guido, "Introduction to Machine Learning with Python",
   O'Reilly, 2016.


¡Los esperamos!